Aim of the Project
The purposes of this project are to (1) develop the code for neural network parameter tuning with Bayesian optimization, (2) extend the CNN model for multi-fidelity applications, (3) develop the code for the infill criterion with constraints for Gaussian process-based methods, and (4) to survey the literature on physics-informed surrogate models (Kriging/CoKriging and NN). Family of codes will be implemented on Python and Jupyter Notebook environments with the help of PyTorch deep learning and optimization library.
Figure-1: Neural Architecture Search with Bayesian Optimization.
Projenin Amacı
Bu projenin amaçları (1) metodoloji ve kullanım kılavuzunu içeren teknik bir raporla sinir ağı parametre optimizasyonu için Bayesian optimizasyon algoritması kodu geliştirmek, (2) önceden geliştirilen tahmine dayalı, 2 boyutlu ve 3 boyutlu mühendislik problemlerine (örn. akışkanlar mekaniği, yapısal mekanik, akustik) uygulanabilir evrişimli sinir ağı kodunu, çok-doğruluklu yöntemler ile genişletmek, (3) Gauss süreci için, kısıtlamalar ile infill kriteri kodu geliştirmek ve (4) fiziğe dayalı sinir ağı modellerinin, geliştirilen kodlara entegre edilmesi ile fiziğe dayalı temsili modelleme üzerine literatür araştırması sonuçlarını sunmak.
Figure-2: A generic multi-fidelity deep neural network architecture.